基于时间序列分析模型的非稳定电力负荷预测方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115829139A(43)申请公布日2023.03.21(21)申请号202211603615.4G06F18/25(2023.01)(22)申请日2022.12.13G06N3/0455(2023.01)G06N3/0985(2023.01)(71)申请人同济人工智能研究院（苏州）有限公G06F123/02(2023.01)司地址215000江苏省苏州市相城区高铁新城青龙港路58号天成时代商务广场29、30层(72)发明人邓若愚胡尚薇王翰林(74)专利代理机构苏州见山知识产权代理事务所(特殊普通合伙)32421专利代理师袁丽花(51)Int.Cl.G06Q10/04(2023.01)G06Q50/06(2012.01)G06F18/213(2023.01)权利要求书2页说明书8页附图5页(54)发明名称基于时间序列分析模型的非稳定电力负荷预测方法和系统(57)摘要本申请提供一种基于时间序列分析模型的非稳定电力负荷预测方法和系统，所述方法包括：用经验小波分解方法将非平稳的原始序列分解为一组平稳的子序列，分解后的所述子序列呈现出从低频到高频的特点，各频段的子序列具有相同的特征，且具有平稳性；将所述子序列的数据重构后按照从低频到高频的顺序依次送入Autoformer模型中进行预测；将各子序列的预测结果进行整合，得到原始序列的最终预测结果。进一步提高电力负荷预测的精准度，从而可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性。本申请为EWT和Autoformer组合预测模型，经验小波分解(EWT)的使用从一定程度上满足了Autoformer模型对序列平稳性的要求。CN115829139ACN115829139A权利要求书1/2页1.一种基于时间序列分析模型的非稳定电力负荷预测方法，其特征在于，包括：用经验小波分解方法将非平稳的原始序列分解为一组平稳的子序列，分解后的所述子序列呈现出从低频到高频的特点，各频段的子序列具有相同的特征，且具有平稳性；将所述子序列的数据重构后按照从低频到高频的顺序依次送入Autoformer模型中进行预测；将各子序列的预测结果进行整合，得到原始序列的最终预测结果。2.根据权利要求1所述的方法，其特征在于，所述用经验小波分解方法将非平稳的原始序列分解为一组平稳的子序列，包括：对于长度为n的序列，表示为Z＝{z1，...，zn}，将序列{zi}通过经验小波分解方法分解为5个分量α1，α2，α3，α4，α5。3.根据权利要求1所述的方法，其特征在于，所述Autoformer模型中具体预测步骤如下：定义序列分解单元；构建模型的编码器；构建模型的解码器；通过自相关机制实现序列级连接；输出模型预测值。4.根据权利要求3所述的方法，其特征在于，所述定义序列分解单元的过程如下：基于滑动平均思想，将原始序列分解为趋势项和周期项：xt＝AvgPool(Padding(x))xs＝x‑xt其中，x表示待分解的序列，xt、xs分别为趋势项和周期项，AvgPool表示平均池化；将上述公式记为xs、xt＝SeriesDecomp(x)。5.根据权利要求4所述的方法，其特征在于，所述构建模型的编码器的过程如下：将处理过的原始序列作为输入，逐步消除趋势项，得到周期项其中，“_”表示趋势项舍去，是由原始序列xen通过嵌入得到，N为解码器的层数；Auto‑Correlation表示自相关机制，FeedForward表示前馈。6.根据权利要求5所述的方法，其特征在于，所述构建模型的解码器的过程如下：先将长度为I的原始序列后半段进行序列分解，得到xens和xent：将xens和xent分别与全零序列x0和原始序列平均值序列xMean进行拼接操作，得到解码器2CN115829139A权利要求书2/2页部分的输入序列xdes和xdet：xdes＝Concat(xens，x0)xdet＝Concat(xent，xMean)其中Concat表示拼接操作；对周期项和趋势项分别建模：其中，M为解码器的层数，是由xdes通过嵌入得到，Wl，i表示的权重。7.根据权利要求6所述的方法，其特征在于，所述自相关机制包含基于周期的依赖发现和时延信息聚合。8.一种基于时间序列分析模型的非稳定电力负荷预测系统，其特征在于，包括：序列预处理模块，用经验小波分解方法将非平稳的原始序列分解为一组平稳的子序列，分解后的所述子序列呈现出从低频到高频的特点，各频段的子序列具有相同的特征，且具有平稳性；Autoformer时间序列预测模块，将所述子序列的数据重构后按照从低频到高频的顺序依次送入Autoformer模型中进行预测；预测结果融合模块，将各子序列的预测结果进行整合，得到原始序列的最终预测结果。9